Microsofts ThinkingBox-testbänk anländer till OpenEnv med 20 försök per uppgift, Exgentic-datasetet samlar 10 000 spår i OpenTelemetry-format
ThinkingBox kör 507 uppgifter 20 gånger på OpenEnv och agentrankningen ändras, 10 000 Exgentic-spår i OpenTelemetry-format, Claude Code 2.1.289.